人工智能：機(jī)器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)

定　價(jià)：￥98.00

作　者：	劉峽壁，馬霄虹，高一軒著
出版社：	國(guó)防工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

京東 (￥83.60)

ISBN：	9787118121209	出版時(shí)間：	2020-08-01	包裝：	平裝
開本：	16開	頁(yè)數(shù)：	358	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《人工智能：機(jī)器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)》以人工智能實(shí)現(xiàn)算法為視角，系統(tǒng)闡述機(jī)器學(xué)習(xí)與人工神經(jīng)網(wǎng)絡(luò)這兩個(gè)彼此緊密聯(lián)系的人工智能實(shí)現(xiàn)途徑中的主要問題與解決方法。對(duì)于機(jī)器學(xué)習(xí)，在深入理解機(jī)器學(xué)習(xí)任務(wù)與關(guān)鍵問題的基礎(chǔ)上，探討監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)這四大類歸納學(xué)習(xí)問題的本質(zhì)特性及其解決方案，同時(shí)論述作為歸納學(xué)習(xí)基礎(chǔ)的相似性計(jì)算問題及其解決方法。對(duì)于人工神經(jīng)網(wǎng)絡(luò)，按照其關(guān)鍵問題是網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)與學(xué)習(xí)方法的認(rèn)識(shí)，分為前饋網(wǎng)絡(luò)與反饋網(wǎng)絡(luò)這兩大類網(wǎng)絡(luò)結(jié)構(gòu)，闡述主要計(jì)算模型及其學(xué)習(xí)方法。最后對(duì)機(jī)器學(xué)習(xí)與人工神經(jīng)網(wǎng)絡(luò)下一步的發(fā)展趨勢(shì)進(jìn)行了展望。

作者簡(jiǎn)介

暫缺《人工智能：機(jī)器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)》作者簡(jiǎn)介

圖書目錄

第1章緒論
1．1 人工智能及其實(shí)現(xiàn)途徑
1．1．1 智能的外在表現(xiàn)與模擬
1．1．2 機(jī)器學(xué)習(xí)
1．1．3 人工神經(jīng)網(wǎng)絡(luò)
1．2 機(jī)器學(xué)習(xí)簡(jiǎn)史
1．3 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)史
1．4 本書內(nèi)容與組織
參考文獻(xiàn)
第2章機(jī)器學(xué)習(xí)基礎(chǔ)
2．1 機(jī)器學(xué)習(xí)
2．2 機(jī)器學(xué)習(xí)方式
2．3 歸納學(xué)習(xí)類型
2．3．1 監(jiān)督學(xué)習(xí)
2．3．2 非監(jiān)督學(xué)習(xí)
2．3．3 半監(jiān)督學(xué)習(xí)
2．3．4 強(qiáng)化學(xué)習(xí)
2．3．5 各學(xué)習(xí)類型的特點(diǎn)與共性
2．4 特定學(xué)習(xí)概念
2．4．1 生成學(xué)習(xí)與判別學(xué)習(xí)
2．4．2 度量學(xué)習(xí)
2．4．3 在線學(xué)習(xí)／遞增學(xué)習(xí)
2．4．4 反饋學(xué)習(xí)
2．4．5 多任務(wù)學(xué)習(xí)
2．4．6 深度學(xué)習(xí)
2．4．7 遷移學(xué)習(xí)
2．4．8 流形學(xué)習(xí)
2．4．9 多示例學(xué)習(xí)
2．5 對(duì)學(xué)習(xí)算法的評(píng)價(jià)
2．5．1 過學(xué)習(xí)與泛化
2．5．2 偏置
2．5．3 數(shù)據(jù)魯棒性
2．5．4 計(jì)算復(fù)雜性
2．5．5 透明性
參考文獻(xiàn)
第3章監(jiān)督學(xué)習(xí)
3．1 函數(shù)形式
3．1．1 顯式表示形式
3．1．2 隱式表示形式
3．1．3 數(shù)據(jù)點(diǎn)表示形式
3．2 優(yōu)化目標(biāo)
3．2．1 最小平方誤差
3．2．2 最小化熵
3．2．3 極大似然估計(jì)
3．2．4 極大后驗(yàn)概率估計(jì)
3．2．5 最小描述長(zhǎng)度
3．3 記憶學(xué)習(xí)
3．4 決策樹學(xué)習(xí)
3．4．1 決策樹
3．4．2 基于信息增益的決策樹生成算法（ID3算法）
3．4．3 ID3算法的過學(xué)習(xí)問題與對(duì)策
3．4．4 基于最小描述長(zhǎng)度準(zhǔn)則的決策樹學(xué)習(xí)算法
3．5 支持向量機(jī)
……
第4章相似性度量
第5章聚類方法
第6章關(guān)聯(lián)規(guī)則挖掘方法
第7章半監(jiān)督學(xué)習(xí)方法
第8章強(qiáng)化學(xué)習(xí)
第9章人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
第10章前饋神經(jīng)網(wǎng)絡(luò)
第11章反饋神經(jīng)網(wǎng)絡(luò)
第12章結(jié)語(yǔ)